腾讯云—AI存储研究

课题背景： 随着AI大模型、自动驾驶、多模态检索等核心场景的快速发展，底层存储系统面临前所未有的压力。训练阶段需要高吞吐地读取海量非结构化数据（图片、视频、点云等），推理阶段要求低延迟地加载模型权重与特征缓存，向量检索场景则需要高效存取和检索高维向量数据。传统对象存储在IO性能、数据组织方式和检索能力上难以满足AI全链路的多样化需求，如何构建面向AI多模态场景的高性能存储体系，成为支撑AI产业规模化落地的关键基础设施命题。 课题挑战：

1. 01

   性能瓶颈突出：AI训练与推理对存储的吞吐、延迟和并发能力要求极高，传统对象存储的IO路径存在多层开销，缓存命中率和预取策略的优化面临数据访问模式多变、热点漂移等难题；

2. 02

   向量存储与检索效率不足：高维向量的索引构建、近似最近邻（ANN）搜索的精度与速度权衡、以及向量数据与元数据的联合过滤查询，在大规模数据集下面临严峻的工程挑战；

3. 03

   多模态数据湖管理复杂：图片、视频、文本、点云等异构数据的统一存储、元数据治理和跨模态关联分析缺乏成熟方案，数据湖在schema演进、增量更新和分析查询性能上仍需系统性突破。 具体工作： 参与AI场景下存储系统的性能优化与产品研发，包括GooseFS系列产品的高性能缓存策略优化（预取、淘汰、分层缓存）、COS向量存储引擎的索引结构与检索性能调优，以及面向多模态数据湖的存储架构设计与数据组织优化，支撑大模型训练、自动驾驶数据回灌、多模态检索等核心业务场景。

专业背景： 包含但不限于计算机科学与技术、计算机体系结构、网络工程、通信工程、软件工程、电子信息工程、信息与通信系统、应用数学、分布式计算等专业的博士和优秀硕士。 存储与网络基础： 熟悉计算机网络协议栈（TCP/IP）基本原理，了解 RDMA（InfiniBand/RoCE v2）技术原理及其相比传统 TCP 的优势；了解对象存储（如 COS/S3）或分布式存储系统的基本架构和读写流程者优先。 编程与工程能力： 较强的工程实现能力，熟练掌握 C/C++ 编程，熟悉 Linux 系统编程（Socket、epoll、内存管理等）；熟悉 Shell/Python 至少一种脚本语言；有 RDMA 编程经验（libibverbs/librdmacm）或 DPDK/SPDK 开发经验者优先。 加分项（满足其一即可）：

1. 01

   有高性能网络传输、用户态协议栈（如 eRPC、Accelio）相关项目或研究经验；

2. 02

   熟悉 RDMA 通信模型（Send/Recv、Read/Write、SRQ）及其性能调优；

3. 03

   了解 NVMe-oF、存储计算分离架构或有 COS/HDFS/Ceph 等存储系统开发经验；

4. 04

   在高性能计算、网络系统、存储系统等方向有高质量论文发表或开源项目贡献。